DriveDreamer4D：世界模型是4D驾驶场景表示的有效数据机器

CVPR 25 2025 58.1 method, application

TLDR

DriveDreamer4D利用世界模型作为数据机器合成轨迹视频，显著提升4D驾驶场景表示质量。

评分理由

The paper introduces a novel approach leveraging world model priors for 4D reconstruction, addressing limitations in complex driving maneuvers. Strengths include clear problem motivation and quantitative gains, but the abstract lacks details on world model architecture and training, and generalizability is unclear.

Read-first 评分解释

综合优先阅读分 58.1，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 36。

近期性 8%

86.7

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2025

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基线、实验、指标、结果

主题相关性 42%

51.4

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：GitHub

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：299。

关键词评分

world model

generative world model

video world model

world simulator

world dynamics prediction

interactive world model

model-based reinforcement learning world model

深度分析

创新点

利用世界模型作为数据机器合成新轨迹视频用于4D驾驶场景表示
显式利用结构化条件控制生成视频中交通元素的时空一致性
提出同类数据训练策略，融合真实与合成数据以优化4D高斯泼溅（4DGS）
首次利用视频生成模型改进驾驶场景中的4D重建

方法

DriveDreamer4D采用世界模型生成新驾驶轨迹的合成视频，其中结构化条件强制交通元素的时空一致性。然后使用同类数据训练策略结合真实和合成数据以优化4D高斯泼溅（4DGS）表示。该方法在新轨迹视图上进行了评估，与PVG、S3Gaussian和Deformable-GS等基线进行比较。

关键结果

DriveDreamer4D在FID上相对于PVG、S3Gaussian和Deformable-GS分别实现了32.1%、46.4%和16.3%的相对改进，在NTA-IoU上分别实现了22.6%、43.5%和15.6%的相对提升，用户研究证实了增强的时空一致性。

资源

论文项目